Мне интересно, пытался ли кто-нибудь использовать 3-мерную матрицу для логистической регрессии?Я работаю над проектом, который включает аудио, где для матрицы X размер n - это особенности для каждого аудиосэмпла, а размер m - это количество аудиофайлов, которые я сравниваю друг с другом.Проблема, с которой я сталкиваюсь, заключается в том, что для каждого аудиофайла существует множество аудиосэмплов (каждые 44100 сэмплов я буду принимать за «1 сэмпл»), каждый из которых включает в себя каждую отдельную функцию.Вместо того, чтобы просто брать среднее значение каждой функции для каждого аудиосэмпла, я подумывал добавить третье измерение в матрицу, как описано выше, то есть аудиосэмплы.Дело в том, что я не знаю, как это выдержит логистическую регрессию / что я могу ожидать от моих выходных переменных y.Кто-нибудь имеет какой-либо опыт с этим?
Результат, который я ищу, это способ взять все функции из каждого аудиосэмпла и сравнить несколько аудиофайлов, чтобы придумать алгоритм, который может определить «хороший»"аудио микширование из" плохого "аудио микса, поэтому я верю (хотя я не уверен), что я имею дело только с двумя выходными классами (хорошим или плохим).
Спасибо за совет